Bu makalede, çeşitli kullanım örneklerini uygulamak için canlı akış kamerasına sahip bir mobil robotu nasıl kullanacağınız açıklanmaktadır. Çözüm, video akışını ve nesne algılama gerçekleştiren Azure AI hizmetlerini almak ve işlemek için Azure Stack Edge'de yerel olarak çalışan bir sistem uygular.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
İş Akışı
Bu iş akışı, sistemin gelen verileri nasıl işlediğini açıklar:
Robota yüklenen bir kamera, Gerçek Zamanlı Akış Protokolü (RTSP) kullanılarak gerçek zamanlı olarak video akışı sağlar.
Azure Stack Edge'deki Kubernetes kümesindeki bir kapsayıcı gelen akışı okur ve videoyu ayrı görüntülere böler. FFmpeg adlı bir açık kaynak yazılım aracı video akışını alır ve işler.
Görüntüler yerel Azure Stack Edge depolama hesabında depolanır.
Depolama hesabına her yeni anahtar çerçevesi kaydedildiğinde AI Vision kapsayıcısı bunu alır. Mantığın birden çok kapsayıcıya ayrılması hakkında bilgi için bkz . Senaryo ayrıntıları.
Depolama kapsayıcısından bir anahtar çerçeve yüklediğinde, AI Vision kapsayıcısı bunu buluttaki Azure AI hizmetlerine gönderir. Bu mimaride görüntü analizi aracılığıyla nesne algılamaya olanak tanıyan Azure AI Vision kullanılır.
Görüntü analizinin sonuçları (algılanan nesneler ve güvenilirlik derecelendirmesi) anomali algılama kapsayıcısına gönderilir.
Anomali algılama kapsayıcısı, görüntü analizi ve anomali algılama sonuçlarını gelecekte başvurmak üzere Azure Stack Edge'in yerel Azure SQL Veritabanı örneğinde depolar. Veritabanının yerel bir örneğini kullanmak erişim süresini geliştirir ve bu da veri erişimindeki gecikmeleri en aza indirmeye yardımcı olur.
Veri işleme, gelen gerçek zamanlı video akışındaki anomalileri algılamak için çalıştırılır. Anomaliler algılanırsa, ön uç kullanıcı arabirimi bir uyarı gösterir.
Bileşenler
Azure Stack Edge , anomali algılamanın gerçekleştiği konuma yakın ve şirket içinde çalışan Azure hizmetlerini barındırmak için kullanılır ve bu da gecikme süresini azaltır.
Azure Stack Edge üzerinde Azure Kubernetes Service, Azure Stack Edge'de sistemin mantığını içeren kapsayıcılardan oluşan bir Kubernetes kümesini basit ve yönetilen bir şekilde çalıştırmak için kullanılır.
Azure Arc , uç cihazda çalışan Kubernetes kümesini denetler.
Azure AI Vision , video akışının önemli karelerindeki nesneleri algılamak için kullanılır.
Azure Blob Depolama, video akışından ayıklanan anahtar çerçevelerin görüntülerini depolamak için kullanılır.
Azure SQL Edge , verileri kullanan ve işleyen hizmete yakın bir uçta depolamak için kullanılır.
Azure Container Registry , Docker kapsayıcı görüntülerini depolamak için kullanılır.
Azure Key Vault , sistem tarafından kullanılan tüm gizli diziler veya şifreleme anahtarları için gelişmiş güvenlik depolama alanı sağlar.
Azure İzleyici , sistem için gözlemlenebilirlik sağlar.
Senaryo ayrıntıları
Bu mimari, gerçek zamanlı bir video akışını işleyen, ayıklanan gerçek zamanlı verileri bir dizi başvuru verisiyle karşılaştıran ve sonuçlara göre kararlar alan bir sistemi gösterir. Örneğin, güvenli bir konumun etrafındaki çitle çevrili bir çevrenin zamanlanmış incelemelerini sağlamak için kullanılabilir.
Mimari, en yoğun kaynak kullanan işlemlerin videonun kaynağına yakın bir konumda şirket içinde gerçekleştirilmesini sağlamak için Azure Stack Edge'i kullanır. Bu tasarım, sistemin yanıt süresini önemli ölçüde artırır. Bu, anomaliye anında yanıt verilmesi kritik olduğunda önemlidir.
Sistemin bölümleri Bir Kubernetes kümesinde bağımsız kapsayıcılar olarak dağıtıldığından, yalnızca gerekli alt sistemleri talebe göre ölçeklendikleyebilirsiniz. Örneğin, video akışı için kamera sayısını artırırsanız, talebi işlemek için video alımı ve işlemeden sorumlu kapsayıcıyı ölçeklendirebilir, ancak kümenin geri kalanını özgün düzeyde tutabilirsiniz.
Nesne algılama işlevini Azure yapay zeka hizmetlerine boşaltmak, bu mimariyi dağıtmak için ihtiyacınız olan uzmanlığı önemli ölçüde azaltır. Nesne algılama gereksinimleriniz yüksek oranda özel değilse, Görüntü Analizi hizmetinden edindiğiniz kullanıma hazır yaklaşım yeterlidir ve makine öğrenmesi bilgisi gerektirmez.
Olası kullanım örnekleri
Bir çevrenin güvenliğini izleme
Bir fabrikadaki güvenli olmayan çalışma ortamını algılama
Otomatikleştirilmiş derleme satırında anomalileri algılama
Uçaktaki yağdan arındırma sıvısı eksikliğini algılama
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanabileceğiniz bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Güvenilirlik
Güvenilirlik, uygulamanızın müşterilerinize sağladığınız taahhütleri karşılayabilmesini sağlar. Daha fazla bilgi için bkz . Güvenilirlik sütununa genel bakış.
Azure Stack Edge kullanmanın en büyük avantajlarından biri, şirket içi donanımınızda tam olarak yönetilen bileşenlere sahip olmanızdır. Tam olarak yönetilen tüm Azure bileşenleri bölgesel düzeyde otomatik olarak dayanıklıdır.
Buna ek olarak, sistemi bir Kubernetes kümesinde çalıştırmak, alt sistemlerin sağlıklı kalmasını sağlama sorumluluğunu Kubernetes düzenleme sistemine devretmenizi sağlar.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz . Güvenlik sütununa genel bakış.
Microsoft Entra yönetilen kimlikleri, bu mimarinin tüm bileşenleri için güvenlik sağlar. Yönetilen kimliklerin kullanılması, gizli dizileri kod veya yapılandırma dosyalarında depolama gereksinimini ortadan kaldırır. Erişim denetimini, kimlik bilgisi yönetimini ve rol atamayı basitleştirir.
Maliyet iyileştirme
Maliyet iyileştirmesi gereksiz giderleri azaltmak ve operasyonel verimlilikleri iyileştirmektir. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
Bu senaryoya yönelik fiyatlandırma örneğini görmek için Azure fiyatlandırma hesaplayıcısını kullanın. Senaryodaki en pahalı bileşenler Azure Stack Edge ve Azure Kubernetes Service'tir. Bu hizmetler, gelecekte artan talebi ele almak için sistemi ölçeklendirme kapasitesi sağlar.
Nesne algılama için Azure AI hizmetlerini kullanmanın maliyeti, sistemin ne kadar süre çalıştığına bağlı olarak değişir. Yukarıdaki fiyatlandırma örneği, saniyede bir görüntü üreten ve günde 8 saat çalışan bir sistemi temel alır. Bu senaryo için bir FPS yeterlidir. Ancak sisteminizin daha uzun süre çalışması gerekiyorsa Azure yapay zeka hizmetlerini kullanmanın maliyeti daha yüksektir:
Performans verimliliği
Performans verimliliği, kullanıcılar tarafından anlamlı bir şekilde yerleştirilen talepleri karşılamak amacıyla iş yükünüzü ölçeklendirme becerisidir. Daha fazla bilgi için bkz . Performans verimliliği sütununa genel bakış.
Kod bir Kubernetes kümesinde dağıtıldığından, bu güçlü düzenleme sisteminin avantajlarından yararlanabilirsiniz. Çeşitli alt sistemler kapsayıcılara ayrıldığından, uygulamanın yalnızca en zorlu bölümlerini ölçeklendikleyebilirsiniz. Temel düzeyde, bir gelen video akışı ile sistem bir kümede yalnızca bir düğüm içerebilir. Bu tasarım, ilk yapılandırmayı önemli ölçüde basitleştirir. Veri işleme talebi arttıkça, düğüm ekleyerek kümeyi kolayca ölçeklendikleyebilirsiniz.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazar:
- Nick Sologoub | Baş Yazılım Mühendisliği Lideri
Diğer katkıda bulunanlar:
- Mick Alberts | Teknik Yazar
- Frédéric Le Coquil | Baş Yazılım Mühendisi
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
Ürün belgeleri:
- Nesne algılama
- Yapay zekanın sorumlu biçimde kullanılması
- Azure Stack Edge Pro 2 nedir?
- Azure Kubernetes Service
- Azure Arc'a genel bakış
Destekli öğrenme yolu:
- Azure Arc ile hibrit ortamlarınıza Azure yeniliklerini getirme
- Azure Kubernetes Service'e giriş
- Azure Stack'e giriş
- Görüntü İşleme hizmetiyle görüntüleri analiz etme